企业官网建设流程全解析

统一目录结构

tb_cls采用单一目标板分类工程结构，配置、真实数据、模型和输出都直接放在根目录对应位置：

├── configs │ ├── README.md │ └── labels.txt ├── dataset │ ├── dataset.zip │ ├── supplies │ ├── vechicle │ └── weapon ├── models │ ├── README.md │ ├── best.bin │ ├── best.param │ ├── best.torchscript │ ├── best_model.pt │ ├── labels.txt │ └── metrics.json ├── outputs │ └── train

tb_cls的标签来自文件夹名，数据目录是ImageFolder结构。当前三类目录为：

dataset/ ├── supplies/ ├── vechicle/ └── weapon/

类别顺序由torchvision.datasets.ImageFolder按文件夹名字典序生成，训练结束后会写入labels.txt。当前labels.txt顺序为：

supplies vechicle weapon

车端解析分类结果时必须使用同一份labels.txt。其中vechicle对应交通工具类。当前仓库中已有模型可能仍带有旧版labels.txt，以重新训练后生成的models/labels.txt和configs/labels.txt为准。

仓库提交时只需要保留dataset/dataset.zip，解压后的图片目录由.gitignore忽略。训练脚本会在发现三类图片目录不存在时，自动解压dataset/dataset.zip。

回到顶部

二、环境准备和已有模型

2.1 Linux/WSL 训练环境

requirements.txt是从conda env: loong导出的固定版本依赖，建议使用Python 3.10的独立环境。不要直接使用系统自带的Python 3.14安装本文件，因为numpy、torch等固定版本可能没有对应兼容包。

如果系统还没有conda，先安装Miniforge：

cd /tmp wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh bash Miniforge3-Linux-x86_64.sh -b -p "$HOME/miniforge3" eval "$("$HOME/miniforge3/bin/conda" shell.bash hook)" conda init bash

执行conda init bash后，重新打开一个终端，或者执行：

source ~/.bashrc

如果安装后当前终端仍提示Command 'conda' not found，说明当前 shell 还没有加载conda，先执行：

eval "$("$HOME/miniforge3/bin/conda" shell.bash hook)" conda --version

确认能看到conda版本号后，再继续创建环境。

如果wget不存在，先安装：

sudo apt update sudo apt install -y wget

创建并进入loong环境：

conda create -n loong python=3.10 conda activate loong cd /opt/2k0300/loongson_2k300_lib/tb_cls python -m pip install -r requirements.txt

requirements.txt已固定使用CUDA 12.8版PyTorch：

torch==2.11.0+cu128 torchvision==0.26.0+cu128

如果只做ncnn导出，还需要额外安装pnnx：

python -m pip install pnnx

验证PyTorch环境：

python -c "import torch, torchvision; print(torch.__version__); print(torchvision.__version__); print(torch.cuda.is_available())"

Linux/WSL没有配置NVIDIA GPU时，输出False也可以训练，只是会使用CPU。

2.2 已有模型位置

当前仓库只保留真实目标板分类数据，dataset/下的数据就是后续训练使用的ImageFolder数据集。数据按三大类放置，不需要目标框标注。已经训练或转换好的模型统一归档在：

models/best_model.pt models/best.torchscript models/best.param models/best.bin models/labels.txt

configs/labels.txt是同一份类别顺序文件，车端推理显示类别时必须按该顺序解析输出。

回到顶部

三、真实目标板数据集

3.1 数据内容

当前dataset/目录下的数据就是真实目标板数据。图片内容来自赛道中心目标板，按业务含义分成三个大类，当前训练集已经整理为64x64图片。

weapon 武器：枪支、爆炸物、匕首、警棍、消防斧 supplies 物资：急救包、手电筒、对讲机、防弹背心、望远镜、头盔 vechicle 交通工具：消防车、救护车、装甲车、摩托车

所有图片都是无框图片，不包含检测框标注。训练时只使用图片所在的大类文件夹作为分类标签，不区分大类内部的小类编号。大类目录下的图片已经平铺，文件名只作为样本编号，不参与标签解析。

3.2 输入边界

TinyClassifier只做整图分类，不做检测框定位。用于智能车目标板时，建议输入已经裁剪好的目标板ROI，而不是整张赛道图。

可选裁剪方式：

1. 目标板出现在固定区域时，直接从摄像头画面裁剪固定ROI。
2. 目标板位置有轻微变化时，先用颜色、边缘或几何规则定位候选区域，再送入分类模型。
3. 如果目标板位置完全不稳定，需要额外实现轻量定位或裁剪逻辑。

3.3 数据目录

当前压缩包解压后按三大类建立文件夹：

dataset/ ├── dataset.zip ├── supplies/ ├── vechicle/ └── weapon/

如果提交仓库，保留：

dataset/dataset.zip

不要提交解压后的dataset/supplies/、dataset/vechicle/、dataset/weapon/图片目录。运行训练脚本时会自动检查并解压。

回到顶部

四、训练和导出

4.1 模型结构

TinyClassifier是轻量级卷积分类网络，主体由普通卷积、深度可分离卷积、全局池化和全连接分类头组成。当前计划使用64x64输入训练，输出类别数由dataset/下的三类目录自动决定。

网络结构概览：

输入 1x3x64x64 Conv3x3 stride=2 + BN + ReLU DWConvBlock stride=1 DWConvBlock stride=2 DWConvBlock stride=1 DWConvBlock stride=2 DWConvBlock stride=1 Conv1x1 + BN + ReLU AdaptiveAvgPool2d(1) Linear(num_classes) 输出 1x3 logits

DWConvBlock内部结构为：

Depthwise Conv3x3 + BN + ReLU Pointwise Conv1x1 + BN + ReLU

通道数由--width-mult控制，默认0.6。基础通道序列为12 -> 16 -> 24 -> 32 -> 48 -> 48 -> 64，实际通道数会乘以width_mult，并保证最小通道数不低于8。增大width_mult会提高模型容量和计算量；减小它会让模型更小，但可能降低准确率。

训练时使用AdamW优化器、CrossEntropyLoss损失函数和CosineAnnealingLR学习率调度。数据集按类别内随机划分为80%训练集、10%验证集、剩余10%测试集。

训练增强包括：

Resize(64x64) RandomHorizontalFlip RandomRotation(10) ColorJitter ImageNet Normalize

验证、测试和导出推理只使用Resize、ToTensor和ImageNet Normalize。

4.2 训练并归档模型

4.2.1 WSL/Linux GPU/CPU 训练

WSL/Linux中可运行：

./scripts/train_classifier_host.sh --run-name exp_cls_64 --img-size 64

常用参数示例：

./scripts/train_classifier_host.sh \ --run-name exp_cls_64 \ --img-size 64 \ --batch-size 64 \ --epochs 35 \ --width-mult 0.6 \ --target-acc 0.95

训练源码会自动选择设备：torch.cuda.is_available()为真时使用cuda，否则使用cpu。首次从压缩包训练时，脚本会先自动解压数据集，再开始训练。正常日志示例：

[cls-train] Dataset class folders not found; extracting .../tb_cls/dataset/dataset.zip [cls-train] Python: python [cls-train] Dataset: .../tb_cls/dataset Using device: cuda Classes: ['supplies', 'vechicle', 'weapon']

4.2.2 训练输出

训练输出先写入：

outputs/train/<实验名>/

随后脚本会把关键产物复制到：

models/

训练结束后，原始输出位于：

outputs/train/<实验名>/ ├── best_model.pt ├── tiny_classifier.torchscript ├── labels.txt └── metrics.json

包装脚本会把关键产物同步到：

models/best_model.pt models/best.torchscript models/labels.txt models/metrics.json configs/labels.txt

4.2.3 训练脚本参数

4.3 本地验证单张图片识别结果

训练结束并归档到models/后，可以先在主机上拿一张图片做单图识别，确认模型、标签顺序和预处理尺寸是否一致：

python vendor/lq_tiny_classifier/predict_image.py \ --checkpoint models/best_model.pt \ --image dataset/supplies/000001.jpg \ --img-size 64

输出示例：

image: dataset/supplies/000001.jpg prediction: supplies (0.9821) topk: supplies: 0.9821 weapon: 0.0113 vechicle: 0.0066

如果要验证其他类别，替换--image即可，例如：

python vendor/lq_tiny_classifier/predict_image.py \ --checkpoint models/best_model.pt \ --image dataset/weapon/000001.jpg \ --img-size 64

这里使用的是训练 checkpointbest_model.pt，预处理与训练/测试一致：Resize(64x64)、ToTensor和ImageNet Normalize。如果单图预测类别明显不对，优先检查三点：图片是否来自正确的大类目录、--img-size是否和训练一致、models/labels.txt是否为本次训练生成。

4.4 导出ncnn模型

WSL/Linux主机中使用pnnx从TinyClassifier训练脚本导出的TorchScript转为ncnn：

./scripts/export_ncnn_host.sh --torchscript models/best.torchscript --img-size 64

输出文件为：

models/best.param models/best.bin

需要带到开发板的文件：

models/best.param models/best.bin models/labels.txt

导出脚本参数：